TensorFlow模型构建的方法有哪些 分别用函数封装起来并添加注释
时间: 2024-03-22 10:40:59 浏览: 15
TensorFlow模型构建的方法有两种:Sequential模型和Functional API模型。
1. Sequential模型:
```python
import tensorflow as tf
def build_sequential_model():
# 定义一个Sequential模型对象
model = tf.keras.Sequential()
# 添加模型层
# 第一层需要指定输入形状,后面的层会自动推断输入形状
model.add(tf.keras.layers.Dense(units=64, activation='relu', input_shape=(784,)))
model.add(tf.keras.layers.Dense(units=10, activation='softmax'))
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
return model
```
2. Functional API模型:
```python
import tensorflow as tf
def build_functional_model():
# 定义输入
inputs = tf.keras.Input(shape=(784,))
# 定义模型层
x = tf.keras.layers.Dense(units=64, activation='relu')(inputs)
outputs = tf.keras.layers.Dense(units=10, activation='softmax')(x)
# 定义模型
model = tf.keras.Model(inputs=inputs, outputs=outputs)
# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
return model
```
以上代码中,Sequential模型使用`tf.keras.Sequential()`函数构建,使用`model.add()`方法添加模型层;Functional API模型使用`tf.keras.Input()`函数定义输入,使用`tf.keras.layers.Dense()`函数定义模型层,最后使用`tf.keras.Model()`函数定义模型。注释已经添加在代码中。这里将模型构建的代码封装在函数中,方便调用。